Google工程师亲授 Tensorflow2.0－入门到进阶

第1章 Tensorflow简介与环境搭建

本门课程的入门章节，简要介绍了tensorflow是什么，详细介绍了Tensorflow历史版本变迁以及tensorflow的架构和强大特性。并在Tensorflow1.0、pytorch、Tensorflow2.0之间做了对比。最后通过实战讲解了在Google cloud和AWS两个平台上的环境配置。

 1-1 课程导学 试看

 1-2 Tensorflow是什么

 1-3 Tensorflow版本变迁与tf1.0架构

 1-4 Tensorflow2.0架构 试看

 1-5 Tensorflow&pytorch比较 试看

 1-6 Tensorflow环境配置

 1-7 Google_cloud无GPU环境搭建

 1-8 Google_cloud_远程jupyter_notebook配置

 1-9 Google_cloud_gpu_tensorflow配置

 1-10 Google_cloud_gpu_tensorflow镜像配置

 1-11 AWS云平台环境配置

第2章 Tensorflow keras实战

本门课程的基础章节，详细介绍了如何使用tf.keras进行模型的搭建以及大量的深度学习的理论知识。理论知识包括分类问题、回归问题、损失函数、神经网络、激活函数、dropout、批归一化、深度神经网络、Wide&Deep模型、密集特征、稀疏特征、超参数搜索等及其在图像分类、房价预测上的实现。...

 2-1 tfkeras简介

 2-2 分类回归与目标函数

 2-3 实战分类模型之数据读取与展示

 2-4 实战分类模型之模型构建

 2-5 实战分类模型之数据归一化

 2-6 实战回调函数

 2-7 实战回归模型

 2-8 神经网络讲解

 2-9 实战深度神经网络

 2-10 实战批归一化、激活函数、dropout

 2-11 wide_deep模型

 2-12 函数API实现wide&deep模型

 2-13 子类API实现wide&deep模型

 2-14 wide&deep模型的多输入与多输出实战

 2-15 超参数搜索

 2-16 手动实现超参数搜索实战

 2-17 实战sklearn封装keras模型

 2-18 实战sklearn超参数搜索

第3章 Tensorflow基础API使用

接上一节课中使用高级抽象的API tf.keras搭建模型，本节课则介绍了基础的API来方便大家更加灵活的定义和使用模型。课程内容包括tensorflow基础数据类型、自定义模型和损失函数、自定义求导、tf.function、图结构等以及其在图像分类、房价预测上的实现。...

 3-1 tf基础API引入

 3-2 实战tf.constant

 3-3 实战tf.strings与ragged tensor

 3-4 实战sparse tensor与tf.Variable

 3-5 实战自定义损失函数与DenseLayer回顾

 3-6 使子类与lambda分别实战自定义层次

 3-7 tf.function函数转换

 3-8 @tf.function函数转换

 3-9 函数签名与图结构

 3-10 近似求导

 3-11 tf.GradientTape基本使用方法

 3-12 tf.GradientTape与tf.keras结合使用

 3-13 章节总结

第4章 Tensorflow dataset使用

介绍Tensorflow dataset空间下API的使用，dataset API主要用于读取数据。本届课程通过在房价预测问题上的实战详细的介绍如何使用tf.dataset读取csv文件和tfrecord文件。

 4-1 data_API引入

 4-2 tf_data基础API使用

 4-3 生成csv文件

 4-4 tf.io.decode_csv使用

 4-5 tf.data读取csv文件并与tf.keras结合使用

 4-6 tfrecord基础API使用

 4-7 生成tfrecords文件

 4-8 tf.data读取tfrecord文件并与tf.keras结合使用

 4-9 章节总结

第5章 Tensorflow Estimator使用与tf1.0

本节课分为两部分，第一部分介绍tensorflow中estimator和特征列的API的使用，estimator是和keras平级的用于模型抽象的高级API，会使用泰坦尼克生存预测项目来详细的讲解特征抽取和estimator使用。学习完以上的基础知识后，在第二部分中会讲解tf1.0的知识点来方便大家对比2.0与1.0的区别。...

第6章 卷积神经网络

本节课程依托图像分类与两个Kaggle数据集项目，主要讲解卷积神经网络，包括卷积、池化、卷积网络、数据增强、迁移学习等知识。详细的讲解了卷积操作的过程。同时还对如何使用Kaggle平台上的GPU进行的讲解。

第7章 循环神经网络

本节课程依托文本分类和文本生成两个项目，对序列式问题、循环神经网络、LSTM、双向LSTM等模型进行了详细的讲解和实战。

第8章 Tensorflow分布式

本节课程依托图像分类项目，对tensorflow框架中的分布式原理和策略进行了详细的讲解，并在实战中予以实现。尤其是对参数服务器的分布式的并行架构进行详细的阐述。

第9章 Tensorflow模型保存与部署

本节课程依托图像分类项目，对tensorflow模型和部署进行了详细的讲解，包括普通的模型保存、tflite的使用、模型的android的部署、在js上的部署等以及对应的实战。

第10章 机器翻译与tensor2tensor使用

本节课程依托机器翻译项目，对transformer模型进行了详细的讲解，包括可缩放点积注意力、多头注意力等知识。并对该模型进行了实现。同时，讲解了tensorflow中常用算法库tensor2tensor的使用，并使用tensor2tensor中已有的最新算法在图像分类和机器翻译上进行了最高效果的训练。...

本课程持续更新中